論文の概要: Beyond Experience: Knowledge-Guided Evolution for NPU Kernel Generation

• arxiv url: http://arxiv.org/abs/2610.27588v1
• Date: Tue, 20 Oct 2026 03:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.624783
• Title: Beyond Experience: Knowledge-Guided Evolution for NPU Kernel Generation
• Title（参考訳）: Beyond Experience: NPUカーネル生成のための知識ガイドによる進化
• Abstract要約: ASCENDEVOLVEは、プラットフォームドキュメント、ツールキットヘッダ、オペレータリポジトリから構築された大きな外部知識ベースで、進化的カーネルサーチのすべてのステップを基盤としている。 CANN-Benchの53個のAscend C演算子では、ASCENDEVOLVEの総合スコアは71.39であり、ReflexionとOpenEvolveよりも11.6%向上し、17.2%向上した。
• 参考スコア（独自算出の注目度）: 10.279762087133344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents have become capable kernel engineers on mainstream GPU stacks, but they struggle on emerging accelerators such as Ascend NPUs, whose programming model is barely represented in pretraining data. Recent NPU agents address this gap largely through experience: they accumulate memory from their own generation and optimization trials and reuse it on later tasks. We argue that experience alone is not enough for kernel generation. An agent can only remember what it has tried, and it rarely tries a mechanism it does not know. As a result, such memory offers little help when a new operator calls for a different mechanism, and even familiar operators raise unseen situations as optimization proceeds. We present ASCENDEVOLVE, which grounds every step of an evolutionary kernel search in a large external knowledge base built from platform documentation, toolkit headers, and operator repositories. Because this corpus far exceeds any context window, ASCENDEVOLVE indexes it and routes each agent to a small, task-specific slice of evidence instead of the corpus itself. The retrieved knowledge seeds diverse implementation strategies, guides repair when a candidate fails, and constrains how strong candidates are recombined. On 53 Ascend C operators from CANN-Bench spanning four difficulty levels, ASCENDEVOLVE achieves an overall score of 71.39, improving over Reflexion and OpenEvolve by 11.6% and 17.2%.
• Abstract（参考訳）: LLMエージェントは、メインストリームのGPUスタック上で有能なカーネルエンジニアになっているが、プログラミングモデルが事前学習データでほとんど表現されないAscend NPUsのような新興アクセラレータに苦戦している。 最近のNPUエージェントは、主に経験を通じてこのギャップに対処している。それらは、自身の世代からメモリを蓄積し、最適化試験を行い、後続のタスクで再利用する。 経験だけではカーネル生成には不十分だ、と私たちは主張する。 エージェントは試したことしか覚えておらず、知らないメカニズムを試すことはめったにない。 結果として、新しいオペレータが別のメカニズムを呼び出すと、そのようなメモリはほとんど役に立たない。 ASCENDEVOLVEは、プラットフォームドキュメント、ツールキットヘッダ、演算子リポジトリから構築された大きな外部知識ベースで、進化的カーネル検索のすべてのステップを基盤とします。 このコーパスはコンテキストウィンドウをはるかに超えているので、ASCENDEVOLVEはそれをインデックス化し、各エージェントをコーパス自体ではなく、小さなタスク固有のエビデンススにルーティングする。 得られた知識は多種多様な実装戦略をシードし、候補が失敗したときの修復をガイドし、どれだけ強い候補が組み換えられるかを制限する。 CANN-Benchの53個のAscend C演算子では、ASCENDEVOLVEの総合スコアは71.39であり、ReflexionとOpenEvolveよりも11.6%向上し、17.2%向上した。

関連論文リスト

• From Experience to Expertise: Adoption-Aware Memory Learning for Data-Scarce NPU Kernel Synthesis [16.52432062548201]
  NPUカーネル合成のための持続的自己改善剤であるSAGEについて述べる。 最強の制御ベースラインでは,SAGEが95.5%,84.1%を達成した。 GLM-5.3では、SAGEはスパースフラッシュアテンションに関する torch_npu 参照よりも43.99倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2026-09-28T16:30:42Z)
• AgenticCANN: Automated Ascend C Operator Generation via Knowledge-Augmented Agentic Evolution [16.709206818546317]
  AgenticCANNは、低コーパスNPU環境でのAscend C演算子の自動合成に適した知識強化されたエージェント進化フレームワークである。 本手法は, 要素ワイドおよび正規化演算子で90%から100%, 融合演算子で56%, 1B Panguモデル推論カーネルで6.65$times$スピードアップを実現する。
  論文  参考訳（メタデータ） (2026-07-29T09:19:17Z)
• OPD-Evolver: Cultivating Holistic Agent Evolver via On-Policy Distillation [71.57258488733974]
  メモリは、自己進化エージェントの標準的な基盤になっているが、その経験を維持することは、それを通して進化する方法を学ぶことと同じではない。 OPD-Evolver(英語版)は、政策上の自己蒸留を通じて、そのようなエージェントを進化させる緩やかな共進化フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T07:33:53Z)
• AscendOptimizer: Episodic Agent for Ascend NPU Operator Optimization [13.951709632040908]
  私たちは、この不足した専門知識を、実行を経験に変えることでブートストラップする、エピソードエージェントであるAscendrを紹介します。 Ascendrは、オープンソースのベースライン上での1.19倍の幾何平均スピードアップを実現し、オペレーターの49.61%が参照し、強力なエージェントと検索ベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-24T08:54:53Z)
• Towards Cold-Start Drafting and Continual Refining: A Value-Driven Memory Approach with Application to NPU Kernel Synthesis [68.7701048879757]
  EvoKernelは、カーネル合成のライフサイクルを自動化する自己進化型エージェントフレームワークである。 ステージ固有のQ値を学び、現在の目標への貢献に基づいて経験を優先する。 モデルの正しさを11.0%から83.0%に改善し、初期ドラフトよりも3.60倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:06Z)
• Making LLMs Optimize Multi-Scenario CUDA Kernels Like Experts [25.264078143000045]
  現在の自動カーネル最適化手法は、科学計算におけるスパースマトリクス操作のようなより広い領域を見渡しながら、機械学習アプリケーションに焦点を当てている。 本稿では,MSBenchを導入したマルチシナリオ設定の体系的評価の欠如に対処する。 このベンチマークに基づいて、GPUプロファイリング情報を活用し、完全なコンパイルおよび実行ツールチェーンを自動構築する、カーネル最適化のためのハードウェア対応システムであるMSMasterを紹介する。
  論文  参考訳（メタデータ） (2026-03-07T12:22:43Z)
• SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
  生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。 本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。 ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-09T03:17:17Z)
• QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
  大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。 本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。 LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
  論文  参考訳（メタデータ） (2025-11-03T03:20:26Z)
• Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
  汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。 現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。 我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
  論文  参考訳（メタデータ） (2025-08-01T08:11:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。